DX3004模式识别与人工智能--教学大纲概要

《模式识别与人工智能》课程教学大纲

一、课程基本信息

课程代码：DX3004

课程名称：模式识别与人工智能

课程性质：选修课

课程类别：专业与专业方向课程

适用专业：电气信息类专业

总学时： 64 学时

总学分： 4 学分

先修课程：MATLAB程序设计；数据结构；数字信号处理；概率论与数理统计

后续课程：语音处理技术；数字图像处理

课程简介：

模式识别与人工智能是60年代迅速发展起来的一门学科，属于信息，控制和系统科学的范畴。模式识别就是利用计算机对某些物理现象进行分类，在错误概率最小的条件下，使识别的结果尽量与事物相符。模式识别技术主要分为两大类：基于决策理论的统计模式识别和基于形式语言理论的句法模式识别。模式识别的原理和方法在医学、军事等众多领域应用十分广泛。本课程着重讲述模式识别的基本概念，基本方法和算法原理，注重理论与实践紧密结合，通过大量实例讲述如何将所学知识运用到实际应用之中去，避免引用过多的、繁琐的数学推导。这门课的教学目的是让学生掌握统计模式识别基本原理和方法，使学生具有初步综合利用数学知识深入研究有关信息领域问题的能力。

选用教材：

《模式识别》第二版，边肇祺，张学工等编著[M]，北京：清华大学出版社，1999；

参考书目：

[1] 《模式识别导论》，齐敏，李大健，郝重阳编著[M]. 北京：清华大学出版社，2009；

[2] 《人工智能基础》，蔡自兴，蒙祖强[M]. 北京：高等教育出版社，2005；

[3] 《模式识别》，汪增福编著[M]. 安徽：中国科学技术大学出版社，2010；

二、课程总目标

本课程为计算机应用技术专业本科生的专业选修课。通过本课程的学习，要求重点掌握统计模式识别的基本理论和应用。掌握统计模式识别方法中的特征提取和分类决策。掌握特征提取和选择的准则和算法，掌握监督学习的原理以及分类器的设计方法。基本掌握非监督模式识别方法。了解应用人工神经网络和模糊理论的模式识别方法。了解模式识别的应用和系统设计。要求学生掌握本课程的基本理论和方法并能在解决实际问题时得到有效地运用，同时为开发研究新的模式识别的理论和方法打下基础。

三、课程教学内容与基本要求

1、教学内容：

（1）模式识别与人工智能基本知识；

（2）贝叶斯决策理论；

（3）概率密度函数的估计；

（4）线性判别函数；

（5）非线性胖别函数；

（6）近邻法；

（7）特征的选择与提取；

（8）聚类分析；

（9）基于人工神经网络识别方法；

（10）模式识别与人工智能应用实例分析；

2、基本要求：

（1）模式识别与人工智能基本知识：了解人工智能与模式识别的发展历史与现状。掌握模式识别和模式的概念；模式的描述方法；统计模式识别与结构模式识别；熟悉模式识别系统的组成以及各部分的功能，掌握模式识别的过程。

重点：模式识别的含义，模式的概念；模式识别系统的组成

难点：模式识别利用训练样本设计分类器的原理

（2）贝叶斯决策理论：掌握样本的若干概率的定义；掌握基于最小错误率的贝叶期斯决策，掌握基于最小风险的贝叶斯决策，掌握在限定一类错误率条件下使用另一类错误率为最小的两类别决策。熟悉最小最大决策，熟悉序贯分类方法，掌握分类器的设计。掌握正态分布时的统计决策，了解分类器的错误率问题。

重点：最小风险的贝叶斯决策方法；最小错误率的贝叶斯决策方法；正态分布时的统计决策

难点：随机变量分布的各种定义；不同判别规则的对比分析

（3）概率密度函数的估计：掌握参数估计的基本概念；掌握正态分布的监督参数估计；熟悉非监督参数估计中的最大似然估计方法；了解总体分布的非参数估计的基本方法。

重点：参数估计的基本概念；正态分布的监督参数估计

难点：非监督参数估计中的最大似然估计方法

（4）线性判别函数：掌握线性判别函数的基本概念，线性判别函数，设计线性分类器的主要步骤；掌握Fisher线性判别；熟悉感知准则函数的几个基本概念及其梯度下降算法；了解最小错分样本数准则，最小平方误差准则函数；熟悉多类问题的基本概念。

重点：线性判别函数的基本概念；Fisher线性判别

难点：感知准则函数及其梯度下降算法；

（5）非线性判别函数：掌握分段线性判别函数的基本概念；掌握用凹函数的并表示分段线性判别函数；熟悉用交遇区的样本设计分段线性分类器。

重点：分段线性判别函数的基本概念；

难点：用交遇区的样本设计分段线性分类器；

（6）近邻法：掌握近邻法决策规则以及近邻法的错误率分析；熟悉K-近邻法的概念和用法；了解近邻法的快速算法，剪辑近邻法，压缩近邻法。

重点：邻法决策规则以及近邻法的错误率分析；K-近邻法的概念和用法

难点：近邻法的快速算法

（7）特征的选择与提取：掌握并理解特征提取中的基本概念；掌握按欧氏距离度量的特征提取方法，掌握按概率距离判据的特征提取法；熟悉基于散度准则函数的特征提取器，熟悉基于判别熵最小化的特征提取。理解特征选择的最优搜索算法，次优搜索法；熟悉可分性判据的递推计算。了解特征选择的几种新方法。了解基于K-L展开的特征提取。

重点：特征提取中的基本概念；按欧氏距离度量的特征提取方法；按概率距离判据的特征提取法难点：特征选择的最优搜索算法，次优搜索法；基于散度准则函数的特征提取器

（8）聚类分析：掌握非监督学习方法的基本概念；熟悉基于非参数估计的非监督学习方法；掌握典型的聚类方法，熟悉动态聚类方法的基本原理；了解分级聚类方法分析以及使用不同相似度计算方法的影响。

重点：非监督学习方法与监督学习方法概念的区别；动态聚类方法与分级聚类方法的概念

难点：动态聚类方法-迭代修正的概念；分级聚类方法

（9）基于人工神经网络识别方法：掌握人工神经元模型及人工神经元网络定义；掌握多层感知器网